土壤水分是全球和区域水循环系统中的重要组成部分，也是联系陆地水循环和能量循环的纽带。土壤水分直接参与地表产汇流过程，是水文模拟和洪水预报中的重要参量，其变化也影响着土壤热容量、地表反照率、地表蒸发和植被生长状况等，进而制约地表水分和能量的再分配(Koster et al.，2004；张文君等，2008；Seneviratne et al.，2010；李明星等，2011)。大量研究已表明，土壤湿度的反馈机制对干旱、极端降水、热浪等水文气象过程有重要影响，是水文气象灾害的一个重要预报因子(王万秋，1991；郭维栋等，2007; Wang et al.，2010; Alexander，2011; Zhao et al.，2014)。因此，土壤湿度在气象学基础研究和水文工程等领域都是不可或缺的基础资料，具有重要的实用价值和理论意义。

近年来，国内许多专家学者对土壤湿度的时空变化特点及其对气候系统的影响进行了大量研究。王丹等(2012)、姜丽霞等(2009)、王磊等(2008)利用数理分析方法研究了在中国黑龙江省、松嫩平原及西北区西部土壤湿度的时空变化特征。马柱国等(2000)研究表明在中国东部区域土壤湿度与降水之间存在正相关关系，与气温之间存在负相关关系，这与孙丞虎等(2005)在淮河流域土壤湿度与前期和同期降水和气温的相关关系的研究结果基本一致，而淮河流域土壤湿度与半年后的降水存在负相关、与气温则存在正相关。陈少勇等(2008)对中国黄土高原地区的土壤湿度变化规律研究表明，黄土高原地区4～10月份土壤湿度与降水地理分布的一致性较好，均为自东南向西北减少，降水是影响土壤湿度的主要因素，但气温的作用亦不可忽视。

然而，土壤湿度并非常规气象观测变量，数据资料累积量很少，限制了相关研究工作的开展(陈书林等，2012；郑兴明，2012)。测量土壤湿度的传统方法主要是烘干称重法。近年来，利用遥感技术监测土壤湿度受到学术界的重视并获得快速发展。与传统的土壤水分监测方法相比，遥感技术具有很多不可替代的优势，可以实时、快速地对大尺度土壤湿度进行大区域动态监测(姚坤等，2008)。微波波段波长较长，受大气环境影响较小，对植被冠层和地表也具有一定的穿透能力，能够探测到低矮植被覆盖下的土壤信息，而且，微波遥感能够进行全天时、全天候的探测，提供红外遥感和可见光无法提供的物体特性信息。因此，微波遥感已成为探测土壤湿度的最有效技术，其中的被动微波 遥感，因土壤自身微波辐射与土壤水分的强相关性，则成为定量探测土壤湿度的最佳方式(郑兴 明，2012)。

国内外一些专家学者对土壤湿度微波遥感技术开展了大量研究。Njoku and Chan(2006)利用美国EOS Aqua卫星搭载的AMSR-E微波资料的微波极化差异指数反演全球土壤湿度，然而，由于该方法的局限性，所研发的土壤湿度产品在美国以外地区存在很大不确定性(Draper et al.，2009)。Shi et al.(2006)基于简单的地表辐射(Qp)模型开发了裸土土壤湿度反演算法。Wagner et al.(1999)提出了TU-Wien土壤湿度反演模型，利用ERS/MetOp ASCAT微波资料研究全球土壤湿度的变化。2009年，欧洲空间局ESA(European Space Agency)发射了SMOS(Soil Moisture and Ocean Salinity)卫星，利用L波段反演全球土壤湿度，L波段是反演土壤湿度的最佳波段，但其空间分辨率大于40 km。美国NASA于2015年初发射SMAP(Soil Moisture Active Passive)土壤湿度卫星，采用主动/被动联合反演技术获取空间分辨率为10 km的土壤湿度数据(Entekhabi et al.，2010)。张堂堂等(2008)利用EVISAT/ASAR资料反演土壤湿度，研究结果表明，若充分考虑植被对后向散射的影响，则获取的土壤湿度质量较高。师春香等(2011)则基于卫星遥感资料，利用EnKF滤波及陆面过程模型建立中国区域陆面土壤湿度同化系统。另外，国内学者也利用光学遥感技术开展了大量土壤湿度反演工作，不再一一赘述。

Owe et al.(2008)和De Jeu et al.(2008)的全球微波土壤湿度反演工作比较有代表性。他们利用微波遥感技术，把地表微波亮温与土壤湿度等陆面参数联系起来，建立了一个被动微波能量辐射传输模型，以非线性循环方法最小化模型微波极化差异指数(Microwave Polarization Difference Index，I_MPD)，同时反演土壤湿度和植被光学深度。该模型被称为陆面参数反演模型(Land Parameters Retrieving Model，LPRM)，已经应用于多颗极地轨道卫星被动微波资料反演全球土壤湿度，取了良好的效果(Liu et al.，2012; Parinussa et al.，2012，2014)。

中国气象局卫星气象中心于2010年发射风云三号气象卫星B星(FY3B)，搭载微波辐射成像仪(Microwave Radiation Imager，MWRI)(Zhang et al.，2009)；并基于MWRI微波亮温资料反演了土壤湿度产品。我们拟选择东北地区为典型研究区，基于FY3B/MWRI微波亮温资料，采用LPRM陆面参数反演模型，反演地表土壤湿度。受自然条件影响，东北地区的土壤水分时空变化较大(张运福等，2009)，对作物的类型分布、生长发育和产量等有重要影响(李琛等，2010；孙倩倩等，2014)；所以选择该地区进行研究比较有代表意义。我们利用中国气象局农业气象站的土壤湿度观测资料对卫星反演土壤湿度数据进行初步验证，并且，把我们反演的土壤湿度与再分析资料和其他遥感产品进行对比分析，评价他们的一致性。本文研究范围包括辽宁、吉林、黑龙江三省以及内蒙古自治区东部的赤峰市、通辽市、兴安盟和呼伦贝尔市。

LPRM模型是一个基于极轨卫星的被动微波遥感数据能量辐射传输模型，同时可以反演土壤湿度、地表温度和植被光学深度。设定冠层上方观测到的地表微波辐射为T_bp，它可用微波辐射亮温表示为低频波段的一阶近似辐射传输方程：

冠层透过率Γ_p可被进一步定义为植被光学厚度τ_c及入射角θ的函数：

Jackson et al.(1982)提出用植被指数量化植被对土壤微波辐射亮温的影响，LPRM中采用微波极化差异指数(I_MPD)，定义为

将式(2)至(5)代入式(1)中，辐射传输方程中的未知参数就只剩土壤发射率e_rp和土壤介电常数k。土壤发射率可以通过Fresnel公式，表示为介电常数的函数(Choudhury et al.，1979)。至此，土壤介电常数k就是唯一的未知参数。在知道了用土壤介电常数表达的冠层光学厚度和土壤发射率之后，使用一个非线性的迭代过程优化介电常数，以求解水平极化下的辐射传输方程(水平极化方式对土壤水分更敏感)。直到迭代收敛，LPRM模型就可以利用土壤属性数据和混合介质模型(Wang and Schmugge，1980)来解算土壤湿度。根据风云三号卫星微波资料的特点，我们使用36.5 GHz垂直极化亮温计算地表温度，利用10.65 GHz水平和垂直极化亮温反演土壤湿度。

本项研究采用中国气象局风云三号气象卫星B星(FY3B)微波亮温资料反演地表土壤湿度。FY3B极轨卫星每天两次扫过地面同一地点，即降轨和升轨。降轨和升轨的扫过时间分别为当地时间凌晨2点左右和14点左右。我们仅采用FY3B降轨资料反演土壤湿度。FY3B卫星装载的微波辐射成像仪有5个频率，分别为10.65、18.7、23.8、36.5和89 GHz，每个频率都有垂直和水平两个极化模式。本项研究中使用的是X波段(10.65 GHz)的水平和垂直极化亮温，以及Ka波段(36.5 GHz)垂直极化亮温资料。X波段的空间分辨率为51 km×85 km，它具有穿透云雨大气的能力，并且对地表粗糙度和土壤介电特性较敏感；Ka波段的空间分辨率为18 km×30 km，主要用于获取地表温度。利用X波段和Ka波段，我们最终获得土壤湿度的空间分辨率是0.25°×0.25°。

本文采用的土壤湿度站点数据来自中国气象局农业气象站。该套资料的时间分辨率是10天，观测时间是每月的8日、18日和28日。本文采用2011年7月到2013年12月东北地区73个农业气象站0～10 cm层的平均土壤湿度数据，其空间分布如图 1所示。农业气象站土壤湿度观测资料是相对土壤湿度，与卫星反演土壤湿度和再分析土壤湿度的单位不同，所以我们不考察其绝对量，而仅对其时空变化进行比较。如无特殊说明，本文中所用的观测资料月均值是采用8日、18日和28日每月三次观测的平均值，而其他三套资料则是采用月内所有数据的平均值。

图 1

Fig. 1

图 1 农业气象观测站东北地区73 个站点分布。矩形框表示图6 季节变化分析所使用的台站资料和空间范围 Fig. 1 Spatial distribution of the 73 agrometeorological stations in Northeast China. The rectangle area represents the ground sites used for seasonal variation analysis shown in Fig. 6

我们采用了欧洲中期天气预报中心的ERA- Interim和美国国家环境预报中心的NCEP两套广泛使用的再分析土壤湿度资料进行对比分析。ERA- Interim土壤湿度的水平分辨率为0.75°×0.75°，垂直方向上分为四层，到地表距离分别为7 cm、21 cm、72 cm、189 cm。本文使用了地表以下垂直厚度为7 cm的ERA-Interim土壤湿度资料。NCEP土壤湿度再分析资料是一套比较早期的再分析资料，已经被广泛使用在科学研究和业务应用上。NCEP土壤湿度的水平分辨率为2°×2°，垂直方向上有10 cm和190 cm两层。本文使用的是地表以下垂直厚度为10 cm的NCEP土壤湿度资料。

我们把利用FY3B微波资料和LPRM模型反演获得的土壤湿度产品与下述两种土壤湿度遥感产品进行比较。受欧洲空间局Essential Climate Variable(ECV)项目资助，遥感学家们把LPRM模型应用于SMMR、SSM/I、TRMM-TMI、AMSR-E、AMSR-2、Windsat等被动微波资料反演土壤湿度，把TU-Wien模型应用于SCAT、ASCAT等主动微波遥感资料反演土壤湿度，并且，把主动和被动微波土壤湿度进行融合，研制了长序列全球土壤湿度产品，称为ECV土壤湿度(Dorigo et al.，2015；Liu et al.，2012)。ECV土壤湿度产品的时间跨度是1978～2013年，时间分辨率是日，空间分辨率是0.25°×0.25°，该数据可从以下网站下载http://www.esa-oilmoisture-cci.org[2016-03-15]。

国家卫星气象中心基于FY3B/MWRI微波亮温数据研发的土壤湿度产品是每日均值，空间分辨率是0.25°×0.25°，记为FY3B_official。FY3B_official产品采用了Njoku and Chan(2006)提出的迭代算法反演，并且，利用Shi et al.(2006)提出的裸土辐射参数化方案对其糙度参数进行了修改。该数据可从下网址下载http://fy3.satellite.cma.gov.cn/portalsite/default.aspx[2016-03-15]。

基于风云三号极轨气象卫星微波亮温资料，我们利用LPRM辐射传输模型反演我国东北地区的地表土壤湿度，最终获得凌晨2时左右的逐日土壤湿度产品，记为FY3B_LPRM。FY3B卫星自2011年7月以后得到的数据连续性较好，因此本文采用2011年7月至2014年6月的FY3B_LPRM土壤湿度资料作为研究对象。

图 2给出了2011年7月至2014年6月东北地区内三年平均土壤湿度及春(3～5月)、夏(6～8月)、秋(9～11月)三个季节平均FY3B_LPRM土壤湿度的空间分布。东北地区冬季气温较低，土壤中水分结冰，无法通过LPRM辐射传输模型反演土壤湿度，所以本文分析中不考虑冬季的情况。图 2a给出了东北地区三年内平均FY3B_LPRM土壤湿度的空间分布。从图中可以看出，东北地区大部分地区比较湿润，土壤湿度范围在0.3～0.6 m³ m⁻³。土壤湿度的空间变化整体上呈现自西向东逐渐增加的趋势。大兴安岭北部、小兴安岭东南段、三江平原、吉林东部及南部沿海地区的土壤湿度较高，范围在0.4～0.6 m³ m⁻³。内蒙古东部则较为干燥，土壤湿度比较低，为0.1～0.3 m³ m⁻³。

图 2

Fig. 2

图 2 我国东北地区2011 年8 月1 日至2014 年7 月31 日（a）年平均、（b）春季平均、（c）夏季平均和（d）秋季平均的FY3BLPRM 土壤湿度的空间分布（单位：m3 m−3） Fig. 2 Spatial patterns of (a) annual average, (b) spring average, (c) summer average, and (d) winter average of FY3BLPRM (soil moisture derived from FY3B images using the Land Parameter Retrieving Model) soil moisture (units: m3 m−3) over Northeast China for the period from 1 August 2011 to 31 July 2014

图 2b-d分别为东北地区三年内春、夏、秋三个季节平均FY3B_LPRM土壤湿度的空间分布。春季平均土壤湿度和秋季平均土壤湿度的空间分布大致相同，均表现为自西向东逐渐变湿润的整体趋势。大兴安岭北部、小兴安岭东南段、三江平原、吉林东部及南部沿海地区的土壤湿度值较高，介于0.5～0.7 m³ m⁻³之间；西部内蒙古高原则较为干旱，土壤湿度值介于0.1～0.3 m³ m⁻³之间。在夏季，土壤湿度仍然呈现自西向东逐渐变湿的空间格局；但是，东部地区和西部地区的差异并不显著。与春季和秋季相比，西部地区(尤其是120°E以西)春季土壤湿度略有降低，然而这种变化并不显著。在东部地区，夏季土壤湿度则比春、秋两季土壤湿度显著降低，表现为0.3～0.4 m³ m⁻³。这表明，西部较为干旱的地区(尤其是内蒙古高原)土壤湿度的季节性变化不显著；而东部地区土壤湿度的季节变化则极为显著，春、秋两季土壤湿度较高，而夏季土壤湿度显著降低。

东北地区(尤其是120°E以东)属于温带大陆性季风气候，春、秋两季降水少而夏季降水多。但是，该地区夏季土壤湿度却较春、秋季节低。这是因为东北地区土壤湿度由降水和蒸散发共同决定，土壤湿度主要表现为降水量与蒸散发量的差值。两者差值大，则土壤湿度高；反之，则土壤湿度低。受季风影响，夏季降水较多；但是，夏季气温也比春、秋季节高，蒸散发旺盛；夏季降水量与蒸散发量之差值可能小于春、秋季节两者的差值，从而导致夏季土壤湿度相对较低。

图 3显示了东北地区内农业气象站、ERA- Interim、NCEP和FY3B_LPRM卫星反演土壤湿度在2011年7月到2013年12月平均值的空间分布。其中，农业气象站平均土壤湿度分布是由图 1所示的73个站点资料插值获得。先将FY3B_LPRM卫星反演土壤湿度资料(图 3d)与农业气象站资料(图 3a)的空间分布进行比较。图 3a显示，农业气象站土壤湿度显示，小兴安岭西北段、三江平原、吉林东部及南部沿海地区土壤湿度较高；西部地区内蒙古高原土壤湿度较低。大兴安岭北部资料缺失。土壤湿度的空间变化整体上呈现自西向东、东北及东南方向逐渐增加的趋势。FY3B_LPRM卫星反演土壤湿度与农业气象站土壤湿度的空间分布有较好的一致 性。这表明，我们采用LPRM模型反演的FY3B_LPRM卫星土壤湿度，能比较准确地反映年均土壤湿度空间变化。因为数据单位不同，我们不对两套资料的绝对量进行比较。需要说明的是，绝对土壤湿度较低的地区，相对土壤湿度一般也较低；相反，绝对土壤湿度较高的地区，相对土壤湿度一般也较高。严格说来，如果相对土壤湿度与绝对土壤湿度没有上述关系，两者的空间分布就完全没有可比性。在图 3中，农业气象站的相对土壤湿度与FY3B_LPRM、ERA-Interim、NCEP绝对土壤湿度的空间分布特征在大尺度上非常一致，均表现为西部干旱、东部湿润的总体特征，这说明所采用的相对土壤湿度资料大致能够反映绝对土壤湿度的空间变化。

图 3

Fig. 3

图 3 2011 年7 月到2013 年12 月东北地区（a）农业气象站的相对土壤湿度、（b）ERA-Interim、（c）NCEP 和（d）FY3BLPRM 卫星反演土壤湿度的空间分布 Fig. 3 Spatial distributions of averaged (a) soil relative moisture in-situ observations, and soil moisture from (b) ERA-Interim, (c) NCEP reanalysis, and (d) FY3BLPRM datasets in Northeast China during the period from July 2011 to December 2013图

图 3b和3c分别显示了ERA-Interim和NCEP土壤湿度再分析资料的空间分布。如图 3b所示，ERA-Interim土壤湿度资料呈现自西向东逐渐增加的整体格局，与FY3B_LPRM土壤湿度有较好的一致性。大兴安岭地区、小兴安岭东南段、三江平原、吉林东部及南部沿海地区土壤湿度明显偏高，而大兴安岭以南的内蒙古高原地区土壤湿度较低，较为干旱。图 3c表明，NCEP土壤湿度也呈现自西向东逐渐变湿的整体格局，但是，与农业气象站、ERA-Interim和FY3B_LPRM土壤湿度相比，NCEP不能细致地反映土壤湿度的空间变化，这是因为NCEP资料的空间分辨率较低的缘故。综上所述，四种土壤湿度资料的空间分布大体一致，符合我们对东北地区水循环规律的一般认识。这也说明，我们基于FY3B微波亮温反演的土壤湿度资料，能比较准确地反映东北地区土壤湿度的空间变化。但是，FY3B_LPRM土壤湿度与ERA-Interim和NCEP两种再分析资料在数值上有所差异。在比较干燥的地区如内蒙古高原，FY3B_LPRM与ERA-Interim土壤湿度在数值上相差不大，在0.1～0.3 m³ m⁻³之间；而NCEP土壤湿度较两者略高。在大兴安岭北部、小兴安岭东南段、三江平原、吉林东部及南部沿海等较为湿润的地区，ERA-Interim与NCEP土壤湿度数据大体一致，在0.25～0.35 m³ m⁻³之间；而FY3B_LPRM土壤湿度则比两者显著偏高，在0.30～0.60 m³ m⁻³之间。

为了比较四套土壤湿度资料在时间变化上是否具有一致性，我们分别计算了农业气象站土壤湿度与FY3B、ERA-Interim和NCEP土壤湿度的相关系数，其空间分布如图 4所示。为了与农业气象站资料的时间长度保持一致，我们使用了2011年7月到2013年12月的月平均资料。为了便于计算，对ERA-Interim和NCEP土壤湿度资料进行了重采样，空间分辨率提高到了0.25°。图 4a显示，FY3B_LPRM土壤湿度资料与站点资料在绝大部分地区呈现正相关，相关系数为0.2～0.9；在大兴安岭南段、呼伦贝尔高原与大兴安岭的中间地带、松嫩平原、吉林中部、三江平原等地相关性较强，达到0.5～0.9。这表明，我们采用LPRM模型反演的FY3B_LPRM土壤湿度与农业气象站土壤湿度资料在时间变化上具有很强的一致性，因而是可信的。因为该分析采用的是月平均数据，因而主要反映的是季节性变化的一致性。只有在辽宁和吉林地区的极小区域内呈现微弱的负相关，具体原因不明，我们推测是由于农业气象站土壤湿度观测资料的不确定性所致。图 4b显示，NCEP土壤湿度资料与农业气象站土壤湿度资料在大部分地区相关性并不明显，只在大兴安岭北段、吉林中西部、辽宁北部与河北省交界的地方等地区呈现强正相关性，相关系数为0.5～0.8，表明这些地区两者一致性较好。如同FY3B土壤湿度，NCEP土壤湿度也在吉林和辽宁极小区域内呈现微弱的负相关。图 4c显示，ERA-Interim与农业气象站土壤湿度在大兴安岭北段东部、黑龙江省、吉林东部等地呈现很强的正相关性，相关系数为0.4～0.8，表明两者具有很强的一致性。然而，两者在内蒙古高原东部、吉林和辽宁西部交汇的一片区域内呈现强负相关性，相关系数为−0.8～−0.4，这表明，在这个区域内ERA- Interim与农业气象站土壤湿度资料可能呈现反位相的时间变化，数据可靠性存在较大问题。综上所述，FY3B_LPRM与农业气象站土壤湿度在东北大部分地区都呈现很好的一致性，优于ERA-Interim和NCEP再分析资料。

图 4

Fig. 4

图 4 农业气象站土壤湿度资料分别与（a）FY3BLPRM、（b）NCEP 和（c）ERA-Interim 土壤湿度资料的相关系数 Fig. 4 The correlation coefficients of soil moisture between in-situ observations and (a) FY3BLPRM, (b) NCEP, (c) ERA-Interim datasets

利用日平均资料，我们进一步计算了FY3B_LPRM土壤湿度和两套再分析土壤湿度资料的相关系数，如图 5所示。由图 5a可知，FY3B_LPRM土壤湿度资料与ERA-Interim土壤湿度再分析资料在呼伦贝尔高原、内蒙古高原中东部、松嫩平原和辽河平原西部等地呈现较强的正相关，相关系数为0.3～0.7，这些区域主要是土壤湿度较低的地区。而在大兴安岭北部、小兴安岭东南段、吉林东部等土壤湿度较高的地区，两者呈现明显的负相关，相关系数为−0.6～−0.2。图 5b显示，FY3B_LPRM土壤湿度资料与NCEP土壤湿度资料在中部平原一带无明显相关性，在内蒙古高原一带的干旱地区呈现正相关，相关系数为0.1～0.3；而在大兴安岭北部、小兴安岭东南段、吉林东部等湿润地区呈现强负相关性，相关系数为−0.6～−0.2。总而言之，FY3B_LPRM土壤湿度与两套再分析资料在较为干旱的区域呈现较强的正相关，而在比较湿润的地区大多呈现较强的负相关。

图 5

Fig. 5

图 5 FY3BLPRM 土壤湿度与（a）ERA-Interim 和（b）NCEP 资料土壤湿度的相关系数空间分布 Fig. 5 The correlation coefficients of soil moisture between FY3BLPRM and (a) ERA-Interim, (b) NCEP datasets图

鉴于FY3B_LPRM土壤湿度与再分析资料在土壤湿度较高的地区具有很大的不一致性，有必要进一步分析哪套资料较为可靠。根据农业气象站土壤湿度资料的可获取情况，我们选择吉林东部一个矩形区域进行对比分析，该矩形区域内有三个农业气象站，如图 1中所示。在该矩形区域内，FY3B_LPRM土壤湿度与ERA-Interim和NCEP再分析资料都呈很强的负相关。因为农业气象站没有日分辨率的资料，我们仅绘制该矩形区域内三套数据的多年(2011年7月至2013年12月)月均值，即其季节性变化的柱状图。在该区域，自2月份中下旬起有FY3B_LPRM土壤湿度资料，所以，利用中下旬的平均值代表 2月份平均值。图 6显示，所选矩形区域内FY3B_LPRM卫星反演土壤湿度与农业气象站土壤湿

图 6

Fig. 6

图 6 吉林东部地区农业气象站资料的相对土壤湿度以及FY3B、ERA-Interim 和NCEP 土壤湿度的季节性变化 Fig. 6 The seasonal variations of soil relative moisture from in-situ observations, and soil moisture from FY3B, ERA-Interim, and NCEP reanalysis datasets in the eastern part of Jilin Province

度在季节变化上具有良好的一致性。在春季，FY3B_LPRM与农业气象站土壤湿度均表现为逐渐增加趋势，这是因为春季气温回升，冰雪融水补给增加，土壤湿度增高。春末夏初，随着气温进一步回升，蒸散发量增大而降水补给不足，导致土壤湿度逐渐下降。夏末，季风到达东北地区，带来丰沛降水，降水量大于蒸散发量，土壤湿度逐渐增高。两者良好的一致性，说明FY3B_LPRM资料准确地抓住了该地区土壤湿度的季节性变化。ERA-Interim和NCEP再分析土壤湿度资料的季节性变化比较一致，但是与FY3B_LPRM和农业气象站土壤湿度的季节性变化相差很大。两套再分析资料均没有抓住春季土壤湿度增加这一过程，而是表现为持续缓慢降低，5月份到达低值，然后逐渐升高，8月份开始逐渐下降。再分析资料这种季节性变化与FY3B_LPRM土壤湿度资料基本相反，所以表现为负相关。图 6也表明，FY3B_LPRM土壤湿度在春季和秋季显著高于两套再分析资料，在夏季，FY3B土壤湿度与两套再分析资料相差不大。显而易见，FY3B_LPRM土壤湿度资料对季节性变化的描述要优于两套再分析资料。

我们利用2011年7月到2013年12月份的资料，分别计算了FY3B_LPRM和FY3B_official、ECV两套土壤湿度资料的相关系数，其空间分布如图 7所示。由图 7a可见，FY3B_LPRM和FY3B_official两套资料在土壤湿度较低的呼伦贝尔高原、内蒙古高原中东部、松嫩平原和辽河平原的西部等地区表现为较弱的正相关，相关系数为0.1～0.5。而在大兴安岭、小兴安岭东南段和东北三省东部等土壤湿度较高的地区，两套资料表现为很强的负相关，相关系数达到−0.8～−0.5。图 7a所示的负相关表明，在这些地区FY3B_LPRM和FY3B_official土壤湿度资料显著不一致。两者相关系数的空间分布，与FY3B_LPRM和ERA-Interim、NCEP再分析资料的相关系数空间分布(图 5)较为一致，表明FY3B_official土壤湿度资料与ERA-Interim和NCEP两套再分析资料具有类似的时空变化特征。在上述土壤湿度较高的地区，FY3B_LPRM和FY3B_official资料的负相关程度高于FY3B_LPRM和再分析资料的负相关程度。图 7b显示了FY3B_LPRM和ECV土壤湿度的相关系数。FY3B_LPRM与ECV土壤湿度在大部分地区表现为较强的正相关，相关系数达到0.5～0.8，甚至更高。仅在黑龙江省中部和吉林省、辽宁省东部较小范围内，FY3B_LPRM与ECV土壤湿度表现为较弱的负相关，相关系数在约0.2～0.5之间。在大兴安岭地区，两者几乎不相关。总而言之，FY3B_LPRM与FY3B_official土壤湿度的一致性较差，尤其是在土壤较为湿润的地区，两者甚至呈现高度的负相关。相比之下，FY3B_LPRM与ECV土壤湿度则在绝大部分地区都高度相关。

图 7

Fig. 7

图 7 FY3BLPRM 土壤湿度与（a）FY3Bofficial 和（b）ECV 土壤湿度的相关系数空间分布。吉林省境内的矩形区域是选定的用于图8 时间序列分析的区域 Fig. 7 The correlation coefficients of soil moisture between FY3BLPRM and (a) FY3Bofficial, (b) ECV (Essential Climate Variable). The rectangle area in Jilin Province is used in Fig. 8 to analyse time series

FY3B_LPRM与FY3B_official的负相关，主要是两者季节性变化的差异所致。我们选择了吉林省东部一个典型区域(如图 7中矩形区所示)，把FY3B_LPRM、FY3B_official和ECV三套卫星遥感资料与农业气象站的观测资料进行了对比。在典型区域内，FY3B_LPRM与FY3B_official数据表现为较强的负相关，而与ECV数据表现为很强的正相关，该区域有3个数据质量较好的农业气象站。图 8显示了典型区域内多年月均值的季节性变化。在该区域，FY3B_LPRM、ECV和农业气象站土壤湿度在3月到11月有数据，而FY3B_official土壤湿度则只在4月到10月有数据。可以看出，FY3B_LPRM和农业气象站土壤湿度，均表现为春季和秋季土壤湿度较高，而夏季土壤湿度较低，春夏之交土壤湿度下降，而夏秋之交土壤湿度回升。ECV土壤湿度在夏季有个下降过程，与FY3B_LPRM和农业气象站土壤湿度类似；但是，它在春季持续上升，在深秋有所下降，这与FY3B_LPRM和农业气象站资料有所不同。FY3B_official土壤湿度从4月份开始持续上升，8月份达到最高值，然后持续下降，这与FY3B_LPRM和农业气象站资料差异巨大，表现为反位相的季节性变化特征。

图 8

Fig. 8

图 8 吉林东部地区农业气象站资料的相对土壤湿度以及FY3BLPRM、FY3Bofficial、ECV 土壤湿度的季节性变化 Fig. 8 The seasonal variations of soil relative moisture from in-situ observations, and soil moisture from FY3BLPRM , FY3Bofficial, ECV dataset in the rectangle area in Jilin Province denoted in Fig. 7

土壤湿度是气象学和水文学研究中的重要基础资料，在水利工程领域也具有应用价值。基于国家气象局风云三号气象卫星微波资料，我们采用LPRM微波辐射传输模型反演了我国东北地区的逐日土壤湿度资料，并与农业气象站观测资料、ERA-Interim和NCEP再分析资料、ECV多卫星融合资料和国家卫星气象中心的FY3B/MWRI官方土壤湿度产品进行了对比分析，评价了他们的差异性和一致性，得到以下几点主要结论：

(1) 东北地区FY3B_LPRM土壤湿度产品，整体上呈现从西侧内蒙古高原向北部和东部逐渐增加的空间分布，西部地区土壤湿度较低，而大兴安岭北部、小兴安岭东南段、三江平原、吉林东部及东南部沿海地区土壤湿度较大。这种空间分布在春季和秋季最为显著，夏季，因为东部地区土壤湿度显著降低，这种空间差异有所减弱。农业气象站土壤湿度观测资料和ERA-Interim、NCEP两套再分析资料都显示了相似的空间分布，表明我们利用LPRM模型反演的FY3B_LPRM土壤湿度抓住了东北地区土壤湿度空间分布的主要特征。

(2) 在时间变化方面，在绝大部分地区FY3B_LPRM土壤湿度与农业气象站观测资料高度相关。但是，在大兴安岭北部、小兴安岭东南段、吉林东部等偏湿润的地区，FY3B_LPRM土壤湿度与ERA-Interim和NCEP再分析资料呈显著的负相关，差异性很大，这主要是由于他们的季节性干湿变化的差异引起。在春季和秋季，FY3B_LPRM土壤湿度较高；夏季降水较多，FY3B_LPRM土壤湿度反而较低。FY3B_LPRM土壤湿度的这种季节性变化与农业气象站的观测资料基本一致，而ERA-Interim和NCEP再分析资料不能反映这种季节性变化，这表明我们反演的FY3B_LPRM土壤湿度在描述季节性变化方面优于再分析资料。

(3) FY3B_LPRM土壤湿度与ECV多源卫星融合产品和国家卫星气象中心产品FY3B_official土壤湿度进行对比，发现FY3B_LPRM土壤湿度与FY3B_official土壤湿度在大兴安岭地区和东北三省东部等较为湿润的地区呈显著的负相关，而与ECV土壤湿度的一致性则显著高于前者。在较为湿润的地区，FY3B_LPRM土壤湿度的季节性变化与农业气象站观测资料较为一致，而FY3B_official土壤湿度则与农业气象站观测资料呈现明显的反位相季节性变化。在反映地表的季节性干湿变化方面，我们反演的FY3B_LPRM土壤湿度数据明显优于FY3B_official土壤湿度数据。FY3B_LPRM与FY3B_official土壤湿度，都是基于FY3B微波亮温资料，两者的显著差别，源于所采用的反演算法不同。具体原因不在本文讨论范围之内，有待继续研究。